人工智能方法优化合成重要的化合物

人工智能、“积木”化学和molecule-making机联手找到最好的总体反应条件合成化学物质重要的生物医学材料研究,这一发现可能会加速创新和药物发现以及使复杂的化学自动化和可访问。

与机器生成的优化条件,伊利诺伊大学香槟分校的研究人员和合作者在波兰和加拿大特殊的平均产量翻了一倍,hard-to-optimize类型的反应碳原子连接在一起,医学重要分子。研究人员说他们的系统提供了一个平台,也可以用来寻找其他类的反应和一般条件类似的复杂问题的解决方案。他们在《华尔街日报》报道了他们的发现科学。

“普遍性是自动化的关键,从而使分子创新甚至nonchemists访问,“研究领导者说马丁·d·伯克伊利诺斯州教授化学和卡尔伊利诺斯州大学医学院,还有一个医生。“挑战是可能的反应条件是天文的干草堆,针是隐藏在某个地方。利用人工智能和积木化学的力量建立一个反馈回路,我们能够缩小干草堆。我们发现针。”

自动化机器等蛋白质和核酸合成DNA已经彻底改变了这些领域的研究和化学制造,但许多化学物质的重要性制药、临床、生产、材料应用小分子和复杂的结构,研究人员说。

伯克的集团率先开发简单的化学小分子的构建块。他的实验室还开发了一个自动化molecule-making机器一起拍摄的建筑块创建一个广泛的可能的结构。

然而,一般的反应条件,使自动化过程广泛适用仍然难以捉摸。

“传统上,化学家定制为每个产品他们试图使反应条件,”伯克说。“问题是,这是一个缓慢而非常specialist-dependent过程,很难实现自动化,因为每次机器必须优化。我们真正想要的条件,工作几乎每一次,不管什么两件事你想折断。”

自动化方法与广义条件有助于规范一些产品是如何制造的,解决问题的再现性,co-first伊利诺斯州博士后研究员Vandana拉索尔教授说,这项研究的作者。

伯克的组织与领导的一群Bartosz Grzybowski a .波兰科学院的研究所有机化学,以及集团阿拉巴马州́n Aspuru-Guzik多伦多大学的,两位领导人都在使用人工智能和机器学习来提高化学合成。分子机器的团队集成人工智能提供实时反馈到机器学习系统。

“区分好的和坏的,你需要知道一些关于坏的,但人们只发布成功,“Grzybowski说。已发表的研究反映流行条件或方便,而不是最好的,所以一个系统化的方法,包括不同数据和消极的结果是必要的,他说。

首先,团队跑整个矩阵可能的组合使用化学结构单元通过一个算法组相似的反应。然后,发送指令,人工智能输入在分子机器制造商实验室位于贝克曼研究所的先进的科学和技术在伊利诺斯州,从每个集群产生代表反应。这些反应的信息反馈到模型;人工智能的数据和命令更多的实验从分子机器。

“我们希望看到两件事:增加产量和减少不确定性,为广泛的反应,“Grzybowski说,他现在在韩国蔚山在韩国科学技术研究所。”这个循环继续说不用我们干预直到问题被解决。指出广义条件的蛋白质合成机器花了30年时间。这花了我们两个月。”

过程识别条件,翻了一倍的平均收益率具有挑战性的一类反应,称为heteroaryl Suzuki-Miyaura耦合,许多生物和materials-relevant化合物的关键。

”有各种各样的积木组合,我们甚至没有研究人工智能训练,但由于人工智能探索这样一个多样化的空间,它最初发现好的结果即使在那些未知的领域,”伊利诺斯州研究生说尼古拉斯·h·Angello co-first作者的研究。

本文中描述的机器学习过程也可以应用到其他领域的化学发现其他类型的小分子的最佳反应条件,甚至更大的有机聚合物,研究人员说。

“有很多不同材料类,我们想知道,目标和发现不同的功能特性。扩展这种方法的可能性和其他类似的化学反应,其他类型的碳碳链接,是激动人心的,”研究合著者说查尔斯·m·施罗德伊利诺斯州教授材料科学与工程,化学和生物分子工程,和贝克曼研究所下属。

参考:Angello NH,拉索尔教授V,比结W, et al .闭环优化的一般反应条件heteroaryl Suzuki-Miyaura耦合。科学。2022,378 (6618):399 - 405。doi:10.1126 / science.adc8743

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。